机器学习之ROC曲线理解

最新推荐文章于 2025-10-30 14:19:33 发布
原创 最新推荐文章于 2025-10-30 14:19:33 发布 · 6.8k 阅读 · 39 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #ROC

ROC曲线通过坐标（真正例率，假正例率）展示不同分类阈值下的分类效果，帮助评估学习器的性能。文章介绍了ROC曲线的计算方法，并通过实例说明了如何根据学习器的预测结果绘制ROC曲线，以此分析学习器的优劣。

ROC曲线

1、roc曲线

曲线的坐标分别为真正例率（TPR）和假正例率（FPR），定义如下：
在这里插入图片描述
真正例的个数是实际值为正例被预测成为正例的值得个数，TPR是预测结果中真正例占实际值中正例的比例；
反正例的个数是实际值为反例被预测成为正例的值得个数，FPR是预测结果中反正例占实际值中的反例的比例；

很多学习器是为测试样本是产生一个实值或概率预测，然后将这个预测值与一个分类阈值进行比较，若大于阈值分为正类，否则为反类，因此分类过程可以看作选取一个截断点。（通常截取点为0.5，大于0.5为正例，小于0.5为负例）

选择不同的截断点对结果的影响很大，截断点的取值区间是【0,1】，如果截断点靠近1，则被判断为正例的数量会变少；如果截断点靠近0，则被判断为正例的数量会变多。x轴的取值范围为【0,1】，x点代表FPR的概率；y轴的取值范围为【0,1】，y点代表TPR的概率

不同任务中，可以选择不同截断点，若更注重”查准率”，应选择排序中靠前位置进行截断，反之若注重”查全率”，则选择靠后位置截断。因此排序本身质量的好坏，可以直接导致学习器不同泛化性能好坏，ROC曲线则是从这个角度出发来研究学习器的工具。

下图为ROC曲线示意图，因现实任务中通常利用有限个测试样例来绘制ROC图，因此应为无法产生光滑曲线，如右图所示。
在这里插入图片描述绘图举例：给定m个正例子，n个反例子，根据学习器预测结果进行排序，先把分类阈值设为最大，使得所有例子均预测为反例，此时TPR和FPR均为0，在（0，0）处标记一个点，再将分类阈值依次设为每个样例的预测值，即依次将每个例子划分为正例

最低0.47元/天 解锁文章
机器学习11（ROC曲线）
Roy_Allen的博客
12-18 854
ROC-AUC 评估指标
机器学习-ROC曲线&AUC
weixin_54025765的博客
05-08 612
ROC曲线有这样一个很好的特性：当测试集中正负样本的分布变化的时候，ROC曲线能够保持不变。 一个关于AUC的很有趣的性质是，它和Wilcoxon-Mann-Witney Test是等价的。这个等价关系的证明在下面给出。而Wilcoxon-Mann-Witney Test就是测试任意给一个正类样本和一个负类样本，正类样本的score有多大的概率大于负类样本的score 如何理解呢？ 自己的理解是：观察ROC曲线图，考虑横轴（假正例率）的变换，我们知道ROC曲线的构成原理是每次更新阈值（当然阈值就直接选
机器学习笔记——roc曲线
chang的博客
08-22 1221
接受者操作特征曲线（receiver operating characteristic curve, 或者叫ROC曲线）。 1. 基本概念 分类器是将一个实例映射到一个特定类的过程。roc分析的是二元分类模型。 二元分类模型的个案预测有四种结局： 真阳性（TP）：诊断为有，实际上也有病。 伪阳性（FP）：诊断为有，实际上却没有病。 真阴性（TN）：诊断为没有，实际上也没有病。 伪阴性...
Scikit-learn混淆矩阵实战指南（从入门到精通必备）
最新发布
BreakNexus的博客
10-30 884
掌握模型评估核心技能，本文详解Scikit-learn混淆矩阵（confusion_matrix）绘制方法，涵盖分类任务应用场景、可视化步骤与结果解读技巧。支持多类别分析，提升模型诊断效率，实战实用，值得收藏。
机器学习之ROC曲线绘制
wxfu2010的博客
02-18 7474
问题 当我们在使用机器学习分类算法时，例如使用逻辑回归来对鸢尾花进行样本分类， 是否准确率为95%就代表模型非常成功呢？如何来判定我们使用模型的好坏呢？ ROC曲线 其实，这种好坏的评判标准一直都有，而且随着时代的进步不断更迭。 十几年前在《machine learning》一文中就提出了分类精确的概念来划定模型的好坏；此后，学术界又引入信息检索(IR)领域中的recall和precision进行判定。 然而，在现实中样本在不同类别上的不均衡分布(class distribution imbalance
机器学习：ROC曲线
m0_72410588的博客
05-07 2470
本篇博客从概念、原理、应用和与AUC值相关的知识点四个方面介绍了ROC曲线的基本知识，并给出了Python实现的示例。尽管ROC曲线不能完全衡量分类器的性能，但是它仍然是一个非常重要的评估指标，可以帮助我们选择更好的分类器模型，提高机器学习的效果和准确率。
【机器学习】ROC曲线
慢热型网友的博客
09-22 2575
接受者操作特性曲线（receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。在二战期间，雷达系统被广泛应用于检测敌方飞机。为了优化雷达系统的性能，研究人员需要找到一种评估雷达系统的性能的方法。他们引入了信号检测理论中的TPR（真阳性率）和FPR（假阳性率）的概念。TPR表示在所有实际存在目标的情况下，系统正确检测到目标的比例。FPR则表示在所有实际不存在目标的情况下，系统错误地报告目标存在的比例。
一步一步理解机器学习的ROC曲线
算法channel
09-03 1894
你好，我是zhenguoROC曲线是评估机器学习模型分类能力最常用的一条曲线，那么你知道：ROC曲线x，y轴各代表什么含义？ROC曲线上的一个点代表什么含义？这两个问题在面试中也常会被问道，不妨抽几分钟时间理解我下面的这篇小总结。二分类混淆矩阵下面是二分类的混淆矩阵，这个不难理解，P或N代表结果，T或F代表预测对与否：基于二分类混淆矩阵，我们再来探讨关于ROC曲线上面提出的两个问题。ROC曲线x，...
细说机器学习算法之ROC曲线用于模型评估
qq_65664454的博客
01-31 1891
ROC曲线（Receiver Operating Characteristic curve）是一种用于评价分类模型性能的工具，尤其适用于二分类问题，在多分类问题上也有相对广泛的应用。通过在不同阈值下计算模型的真阳性率（True Positive Rate, TPR）和假阳性率（False Positive Rate, FPR）来全面评估分类器的表现，随着机器学习的发展，尤其是在医疗诊断、欺诈检测和金融风险控制等领域，ROC曲线成为衡量分类器性能的标准方法。
【机器学习】ROC 曲线与 PR 曲线
PANSS__的博客
04-07 932
ROC 曲线和 PR 曲线是评估二分类模型性能的强大工具。ROC 曲线关注模型区分正负样本的能力，而 PR 曲线更关注模型在正例上的预测能力，尤其适用于不平衡数据集。通过理解和绘制这两种曲线，我们可以更全面地了解模型的优缺点，并为模型选择和调优提供有力的支持。
机器学习之ROC曲线
热门推荐
荒野雄兵的专栏
12-30 1万+
在机器学习中评价分类模型时经常会用到ROC曲线。 要学习ROC曲线首先得知道什么是TPR，什么是FPR。 TPR的英文全称为：True Positive Rate FPR的英文全称为：False Positive Rate 中文解释为： TPR（真正例率）：真实值是正例，且预测为正例的比例 FPR（假正例率）：真实值为负例，而预测为正例的比例 怎么感觉有些绕口令啊？ OK，看下图： 根据上图图示...
机器学习中的ROC曲线
WYXHAHAHA123的博客
03-27 1029
ROC曲线是评价分类器的性能好坏的标准。 在逻辑回归分类器中，最终模型预测出来的是一个概率值，表示当前的样本属于正类的概率。设定逻辑回归正类别的threshold即为t，如果逻辑回归模型预测出的概率值大于t，则预测为正类，如果概率值小于t，则预测为负类。 分类问题中的混淆矩阵（以二分类为例） gt\prediction 正类 负类 正类 TP FN 负类 ...
机器学习笔记——ROC曲线
sunny的专栏
01-04 7210
1.性能度量简介 在对学习器的泛化 能力进行评估是模型泛化的能力，即要用到机器学习的性能度量，不同的性能度量往往会导致不同的评判结果，这意味着模型的好坏是相对的，什么样的模型是好的，不仅取决于算法和数据，还决定于任务的要求。 分类任务重最常用的是准确度(accuracy)及错误率(error rate): 上面两个度量经常用，但对于不平衡的数据集不适应。 首先做一些定义： TN ...
机器学习——ROC曲线、PR曲线
2301_80841566的博客
04-07 1601
1.横轴（召回率，即TPR）表示正样本被正确识别的比例（关注“漏检”问题）2.纵轴（精确率）表示预测为正的样本中实际为正的比例（关注“误检”问题）3.曲线绘制：通过调整分类阈值（如概率阈值），计算不同阈值下的（Recall, Precision）点，连接这些点形成曲线。
机器学习(二)-ROC曲线
huihui__huihui的博客
10-13 412
前言 本文主要参考机器学习中的AUC-ROC曲线       正文 召回率： Sensitivity=TPTP+FNSensitivity=\frac{TP}{TP+FN}Sensitivity=TP+FNTP​ FNR: FNR=FNTP+FNFNR=\frac{FN}{TP+FN}FNR=TP+FNFN​ 特异性： Specificity=TNTN+FPSpecificity=\frac{TN}{TN+FP}Specificity=TN+FPTN​ FPR: FPR=FPTN+FPFPR=\frac{F
【机器学习】ROC曲线和RP曲线（分类算法）
c___ceeee的博客
08-12 4380
1. ROC曲线1. ROC曲线ROC曲线，全称为“接收者操作特性（Receiver Operating Characteristic）”曲线，是一种反映灵敏度和特异度关系的图形工具。在机器学习和统计学中，ROC曲线常用于评估分类模型的性能。其主要特点是展示在不同分类阈值下模型的性能表现。通过调整不同的分类阈值，可以得到不同的假阳性率和真阳性率，这些点在ROC曲线中绘制出来，从而展现出模型的整体性能。AUC值（曲线下面积）则是衡量ROC曲线性能的量化指标。当模型的预测能力更好时，AUC值更高。
ROC 曲线讲解 （Receiver Operarating Curve）
以梦为马，不日抵达。
01-15 4725
概念 在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种坐标图式的分析工具，在同一模型中设置最佳阈值。by Wikipedia ROC曲线的画法如下图所示，每个点表示不同阈值下 TP（横坐标) FP（纵坐标）的值， TP，FP的定义如下 　 　 实际值 　 　 ture 真的 false 假的 预测值 ture 真的 TP (true positive)
【漫话机器学习系列】149.ROC 曲线（Receiver Operating Characteristic Curve）
IT古董
03-19 1733
在机器学习和统计学中，评估二元分类器（Binary Classifier）性能的关键工具之一就是 ROC 曲线（Receiver Operating Characteristic Curve），即受试者工作特征曲线。ROC 曲线直观地展示了分类器在不同阈值下的 真阳率（True Positive Rate, TPR） 和 假阳率（False Positive Rate, FPR） 之间的权衡情况。本文将详细介绍 ROC 曲线的定义、计算方法、解读方式及其在机器学习中的实际应用。
机器学习理解概念系列——ROC曲线
Hadoop->Spark->Flink
07-28 1597
案例描述：在一个癌症数据集中，有80000个标签为不是癌症的记为负类（negtive），150个标签为是癌症的记为正类（positive），实际上我们的目标就是第一，在测试集测试的时候让这些正样本能够尽可能多得预测出来（TP）。第二，我们不希望模型把一个正常样本预测为患癌（FP）（那不得把人吓死）。在目标第一点第二点中都提到了正类，说明影响模型可靠性的也是这些正类，我们的关注点也正是这些正类。而ROC曲线正好能够反应出来，尤其是在样本不均衡时。 1.ROC曲线相关知识 横轴：负正类率(false p
机器学习随机森林roc曲线
02-15
为了在机器学习中利用随机森林绘制接收者操作特征（ROC）曲线，需先理解并掌握几个关键概念和技术细节。scikit-learn是一个广受欢迎的Python机器学习库，因其简单易用且功能强大而备受青睐[^2]。 #### 准备工作 ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值